针对现代工业过程中，对于测量参数比较难甚至由硬件也无法进行实时检测的问题，软测量技术是一种有效的解决方法。酒精精馏过程是工业中的一个非常复杂的化工过程，具有非线性、大滞后和时变性等特点。同时，精馏产品浓度也难以实时在线检测。针对该问题，本文在总结了精馏产品浓度在线检测的研究现状和传统软测量建模方法的基础上，利用基于人工神经网络和最小二乘支持向量机(LS-SVM)的多种软测量建模方法对酒精精馏过程产品浓度建立了模型。本文进行了如下的工作：　　 (1)分析和研究了径向基函数神经网络(RBF)的结构和原理，同时具体地介绍了自适应神经模糊推理系统(ANFIS)的拓扑结构图和学习算法，利用两种方法建立酒精精馏产品浓度的软测量模型，结果表明建立的模型具有较好的逼近能力。　　 (2)详述了用于回归的标准支持向量机和最小二乘支持向量机的算法原理，采用一维测试函数验证LS-SVM的有效性。将其应用于酒精精馏过程中，建立了LS-SVM软测量模型，相比较前两种方法该方法具有更强的泛化能力。　　 (3)针对LS-SVM中的参数选择问题，利用粒子群优化算法选取LS-SVM的模型参数，而粒子群算法本身存在易陷入局部最优值等问题，文中采用了增加扰动项等改进算法。同时，为了增加模型外推能力，利用k-折交叉验证误差作为LS-SVM参数选择的目标值。此外，针对LS-SVM缺乏“稀疏性”的缺点，利用统计方法中的马氏距离对样本进行相似度分析，去除样本集中部分以简化模型结构。最后，采用改进的PSO-LSSVM方法建立精馏产品浓度软测量模型，仿真结果表明，所建模型精度较前面几种方法高。